当 AI Coding 在团队的渗透率和代码生成覆盖率双双突破 80% 后，我们撞上了反直觉的事：研发整体周期缩短并不明显，但月度 Token 账单却一路高歌猛进，突破千万大关。我们意识到，AI 把“写代码”提速后，出现了两个新的困局：不适配的 AI 研发协作流程与难以治理的 AI 使用成本。

1. 困局1：研发瓶颈被转移到代码编写的需求上游与测试下游环节。写得快，不等于写得对、测得完。
2. 困局2：开发者在模型“降本”与“降智”之间走钢丝。Token 花得多，不等于用得对、做得好。

本次分享将完整拆解两大困局的解法：

1. 如何通过 SDD 的全环节引入，重构研发协作全流程，解决需求质量和测试效率问题；
2. 如何通过 Auto 模型智能路由、本地代码知识图谱、上下文治理等方式，逐步降低 AI 使用成本，提高 Coding Agent 的 ROI。

演讲提纲

1. AI 将编码环节大幅提速后，为何需求交付缩短周期未能与高额账单相匹配？
   • 回顾自研 AI Coding 工具在网易游戏的演进历程。
   • Coding Agent 规模化落地后绕不开的两道困局
     • 流程：研发瓶颈被转移到代码编写的需求上游与测试下游环节。写得快，不等于写得对、测得完。
     • 成本：开发者在模型“降本”与“降智”之间走钢丝。Token 花得多，不等于用得对、做得好。
2. 研发流程重塑篇：全环节引入 SDD，重构研发协作全流程，解决需求质量和测试效率问题。
   • 需求上游：SDD 左移至策划，让需求说得清。
   • 测试下游：SDD 延续至 QA，让测试测得准。
   • 从 Harness Engineering 到 Looping Engineering。
3. AI 成本治理篇：全流程逐级优化，不被账单牵着鼻子走。
   • 本地代码知识图谱：不做漫无目的的地毯式代码检索。
   • 模型智能路由：杀鸡焉用牛刀，让合适的模型做合适的事情。
   • 上下文治理：Agent 链路指导多环节优化。
4. 长线运营：AI Coding 规模化落地三支柱。
   • 工具建设：周边生态重于 Agent 本身。
   • 文化建设：让 Spec First 与 Token 经济学深入人心。
   • 流程建设：用数据倒逼流程改造。
5. 总结与展望：从“个人提效”到“组织智慧”。

这样的技术在实践过程中有哪些痛点？

1. 如何改进流程与配套工具，调动研发链上的全职能参与 SDD。
2. 如何在成本治理和效果保障上取得平衡。

听众收益

1.  一套可复制的 SDD 落地实战。
2. 一份规模化 Coding Agent 的“成本治理工程清单”。
3. AI 时代组织能力升级的长线运营策略。

在蚂蚁很多团队 AI 生成代码占比已经达到 90% 以上，AI Coding 已经不是壁垒，瓶颈开始转移到 AI Delivery，本次分享主要介绍蚂蚁在 7x24h 端到端 AI 研发交付上探索、踩坑经历和沉淀的 AI 基建。

演讲提纲

1. 背景（为什么做）：蚂蚁传统研发基建和 AI 时代面临的困境
2. 架构：蚂蚁研发新范式 ADS 技术架构和踩坑经历
   • 设计理念：认知变化——Agent 是一等公民。在一等公民之下有三个原则：弱平台化（去中心化）、CLI First、Code First
   • Ama：AI 时代的需求管理和研发流程基建，Agent 协同和 AI Workflow 基建。通过统一的多 Agent 运行时平台，实现工程师对多个 Agent 的 7×24 小时并行调度与长程协作，从而将单线程工作升级为支持复杂任务的云端-本地一体化多 Agent 协作模式
   • Poolab：AI 时代的云端研发 Agent 环境，提供万级规模并发 Agent 执行能力
   • ACLI：建设蚂蚁统一的 For Agent 原始的 CLI 标准化研发体系与生态，解决 CLI 分散建设、标准不一、安全能力薄弱以及构建、发布、分发链路割裂等问题。
   • ADE：ADE 是让 评测/预发环境对 Agent 可创建、可验证、可保鲜、可路由，把「环境中心 + 云图 + GYP + MOSN」的碎片能力收成可编排的闭环，避免评测流量掉飞、环境漂移和排障靠人肉
   • Agentic CI/CD： 通过 AI 驱动构建、部署、切流和门禁控制，为用户提供统一的意图式交付入口，屏蔽部署平台差异；同时支持流水线自动监控、根因诊断和切流能力，减少耗时与人工操作，让交付更简单、高效
3. 案例：阿福 7x24 Harness 实践
   • ADS 在阿福 BadCase 修复场景首次跑通生产端到端 Harness，涵盖归因、方案、编码、评测、发布研发全链路，已解决 300+ Badcase，提效 3 倍以上(12.6d->3d)，全流程 AI 主导占比 95%+，人只做关键节点的决策和判断；除阿福外，还覆盖灵光、TeamClaw等 10+ 业务团队
4. 结语：介绍未来的发展判断以及一路走来的感悟

这样的技术在实践过程中有哪些痛点？

1. 新的研发范式蚂蚁传统研发基建的矛盾
   • 蚂蚁内容过去 10 几年沉淀了非常多关于研发基建，AI 时代是否适用，保留哪些、抛弃哪些，经历了非常多的 tradeoff，以及这个过程中的还会遇到非常多的组织阻碍
2. AI Coding 成本降低后，各个业务也会自建工具，业务团队百花齐放和基建团队产品冲突的矛盾

听众收益

1. 传统互联网研发效能/DevOps 领域如何做 AI 转型
2. 如何从0-1 设计 Agentic Devliery 的技术架构
3. 生产业务落地 7x24h Harness 踩坑经验

Coding Agent 正在提升软件开发效率，但系统上线后的运行治理仍然高度依赖专家经验。告警分析、故障定位、变更影响、日志排查、Trace 分析和 Runbook 执行，面对的不是静态代码，而是一个持续变化的运行世界。

本次分享将介绍 AI Native SRE Agent 的工程实践：如何融合基础设施、监控指标、日志、Trace/APM、事件、发布、CMDB 与运维知识，构建运行世界的数据基础；如何通过本体、语义层和全景图谱，形成 Agent 可理解、可推理的 Running World Model；如何结合 C4 模型实现运行时架构自动可视化，并支撑架构理解、健康巡检、根因分析、容量规划、变更风控、FinOps 优化等运行治理场景。
同时，分享将介绍 Harness 如何支撑 SRE Agent 的评测、回放、经验沉淀、Skills 复用和持续进化，最终形成一套从运行数据到语义认知、从 Agent 能力到工程闭环的 AI Native SRE 方法论。
 
演讲提纲

1. 从 Coding 到 Running：为什么需要 SRE Agent
   • Coding Agent 解决软件开发效率问题。
   • SRE Agent 面对的是上线后的运行治理问题。
   • 运行阶段的复杂性来自服务依赖、资源变化、监控日志、发布变更和专家经验。
   • 核心问题：Agent 如何理解一个持续变化的运行世界？
2.  数据层：构建 Running World 的事实基础
   • Infra：计算、网络、存储、数据库、容器、云资源。
   • Observability：Metrics、Logs、Trace/APM、Events、Alerts。
   • Knowledge：团队文档、SOP、Runbook、历史故障、RCA。
   • 关键观点：单一数据源无法完成诊断，SRE Agent 需要融合多源运行事实。
3.  认知层：让 Agent 建立对运行世界的理解
   • 仅有数据并不足以让 Agent 完成诊断，不同系统中的资源、服务、实例、告警和变更往往语义不一致。
   • 本部分将介绍如何通过本体、语义层和全景图谱，把分散的运行数据组织成统一的 Running World Model，让 Agent 能够理解系统对象、关系和上下文。
   • 核心观点：Agent 缺少的不是更多文档，而是对运行世界的统一语义理解。
4.  能力层：SRE Agent 如何参与运行治理
   • 当 Agent 建立了对运行世界的理解，它就可以围绕真实运维场景完成连续推理与决策辅助。
   • 本部分将介绍 SRE Agent 如何支撑架构可视化、健康巡检、根因分析、容量规划、变更风控、FinOps 优化等典型场景。
   • 核心观点：SRE Agent 的价值，不是替人打开更多工具，而是帮助 SRE 在复杂运行上下文中更快形成判断，并持续提升系统治理效率。
5.  工程闭环：让 SRE Agent 可落地、可进化
   • SRE Agent 面向真实生产环境，不能只依赖一次性的 Prompt 效果，而需要可评测、可回放、可验证。
   • 本部分将介绍 Harness 如何通过任务轨迹、工具模拟、沙箱验证、经验沉淀和能力复用，让 Agent 从“能回答”走向“可验证、可复现、可持续优化”。
   • 核心观点：Agent 也需要自己的 DevOps。
6.  案例：一次线上故障治理闭环
   • 最后通过一个线上故障案例，将前面的数据、语义、图谱、架构、诊断和 Harness 串联起来。
   • 从一次 CPU 告警开始，展示 Agent 如何理解告警背后的应用、资源、部署和变更，如何结合日志与 Trace 进行分析，如何匹配历史经验和 Runbook，最终形成根因判断和处置建议，并将处理过程沉淀为后续可复用的经验。

听众收益

• 理解 SRE Agent 与 Coding Agent 的关键差异，认识到 SRE Agent 的核心不是简单接入 LLM 和工具，而是建立对运行世界的语义理解。
• 掌握从基础设施、可观测数据和运维知识出发，通过本体、语义层和全景图谱构建 Running World Model 的方法路径。
• 获得 SRE Agent 工程化落地的实践参考，了解如何支撑架构可视化、健康巡检、根因分析、容量规划、变更风控、FinOps 优化等运行治理场景，以及 Harness 驱动的持续进化。

AI Coding 的企业化拐点不是“AI 会写代码”，而是研发组织开始把 Agent 放进需求、设计、实现、测试、评审、CI、度量和夜间自动执行的闭环里。
本次分享将结合 2025 年 10 月以来的行业变化，以及公司 AICT Team 在 GitHub Copilot Enterprise、Claude Code、Codex、Gemini CLI / Antigravity、OpenSpec、MonoRepo、AI Testing、Metric Kanban 和 Multica 协作上的真实实践，说明如何把个人提效工具演进为企业级 AI Native SDLC。

演讲提纲

1. 企业内 AI Coding & AI Testing 的真实痛点
   • 代码生成更快以后，瓶颈集中到需求澄清、上下文构建、测试验证、Code Review、CI 稳定性、发布风险和成本治理。
   • 信任和交付仍未闭环，最终的提效难衡量。
2. 从工具采用到 Harness Engineering 工程系统基建
   • 公司级 GitHub Copilot Enterprise + GitHub.com Enterprise 导入，建立从 Copilot Coding 到 Agent Coding 的迁移。
   • 基于 Claude Code、CodeX、Gemini CLI 等头部 Coding Agent，结合 OpenSpec、MonoRepo 的自研 AI Coding & AI Testing workflow，构建全链路 Agent 研发模式。
   • 夜间 Agent 研发、测试任务实施（Pilot）。
   • Kanban Metric 建立，实时观察 AI Coding / AI Testing 使用状态、质量信号和团队采纳情况。
   • 以上内容围绕三个真实案例：
     • 新需求从 PRD 到 PR。
     • OpenClaw 自主获取 Bug Issue 到修复，再推动给人类工程师进行 PR。
     • 夜间 Agent 推动尝试和问题。
3. 企业级 AI Native SDLC 流程、管理制度、角色的转变
   • 组织调整，岗职转变。
   • 治理与边界。
   • 如何衡量是否真的提效。
4. 对于未来企业内 AI Coding & AI Testing 的思考
   • 开发 / 测试 Agent 员工导入。
   • 人人都是 QA → 人人都是产品经理？

这样的技术在实践过程中有哪些痛点？

1. 技术推广过程中的适配性，还有就是具体业务的研发场景。通用的解决方案不能很好的支持。还有就是对于游戏引擎的这部分 unreal 代码的 AI 支持不是那么友好。
2. 数据闭环的分析采集等也是非常大的问题，如何有效衡量AI 赋能的效用
3. 对于指导普通业务团队构建 Harnessing 的 AI 基建部分挑战较大。

听众收益

1. 企业内构建 AI Coding & AI Testing 的技术解决方案；
2. 企业内落地推动 AI Coding & AI Testing 的踩坑经验；
3. 对于未来企业内 AI Coding & AI Testing 的思考。

本次分享将结合汇丰科技在 AI Coding 领域的企业级实践，介绍如何通过内部开源与社区共创，汇聚不同团队在需求分析、架构设计、编码实现、代码评审、测试验证和交付协同等环节的探索经验，并将优秀实践沉淀为可复用、可治理的工具与 Agent Skills。

分享也将重点讨论 AI Coding 如何从个人开发提效工具，进一步演进为覆盖 SDLC 全流程的智能化研发能力。结合 MCP、VS Code、GitHub Copilot、Jira、Confluence 等工具与平台集成，展示 Agent Skills 在研发上下文构建、需求澄清、代码生成、测试验证、代码评审、知识沉淀和交付协同中的应用案例。

同时，本次分享也会结合金融科技场景下对安全、合规、风险评估和组织推广的要求，探讨如何在可控、可治理的前提下，推动 AI Coding 从团队试点走向规模化落地，最终实现从个人提效到组织级研发能力升级。

演讲提纲

1. 金融科技研发的现实挑战与 AI Coding 的演进
   • 从代码生成提效到研发流程提效  
   • 企业场景下的关键痛点：上下文、质量、合规、安全与度量  
   • AI Coding 从个人工具走向组织能力的关键拐点
2. 内部开源与社区共创：构建企业级 AI Coding 实践体系
   • 汇聚不同团队的 AI Coding 使用经验  
   • 通过内部开源推动实践复用与协同创新  
   • 从零散 Prompt 到可复用的顺手工具与 Agent Skills
3. Agent Skills 驱动的智能化 SDLC 应用案例
   • 需求阶段：结合 Jira、Confluence 辅助需求理解与澄清  
   • 设计阶段：辅助架构方案生成、影响分析与技术决策  
   • 编码阶段：结合 VS Code、GitHub Copilot 提升开发效率  
   • 评审阶段：辅助 Code Review、风险识别与规范检查  
   • 测试阶段：辅助测试用例生成、缺陷分析与验证闭环
4. 工具集成：让 Agent 进入企业研发工作流
   • MCP 在连接工具、数据与研发上下文中的作用  
   • 与 VS Code、GitHub Copilot、Jira、Confluence 等工具的协同  
   • 从单点助手到跨工具 Agent 工作流
5. AI Coding 的安全治理、风险评估与可控落地
   • 金融科技场景下的安全、合规与数据边界  
   • Agent Skills 的复用、权限、审计与质量治理  
   • 如何平衡效率提升与工程风险
6. 从团队试点到规模化推广的实践经验
   • 从内部开源小项目到上万人分享与共建的 AI Coding 平台  
   • 如何选择高价值试点场景并形成可复制路径  
   • 推广过程中的开发者采纳、培训反馈与社区运营机制

实践痛点

1. 效果不稳定：模型输出存在幻觉和不确定性，在复杂业务场景下难以保证代码质量与一致性。
2. 安全与合规风险：可能涉及敏感数据泄露、工具越权调用等风险。
3. 规模化推广不易：不同团队的技术栈和研发流程差异较大，应用价值也难以量化，需要同步推动平台、流程与研发文化的转变。

听众收益

1. 了解实践模式：了解如何通过内部开源，共创 AI Coding 实践与 Agent Skills。
2. 掌握落地方法：掌握 Agent Skills 赋能 SDLC 各环节的实施路径。
3. 借鉴推广经验：借鉴 AI Coding 在安全治理、风险评估及规模化推广方面的经验

当前 Coding Agent 已经在代码生成、测试补全、问题排查等环节显著提升了个人开发效率，但在企业级软件研发场景中，真正的挑战往往不止于“让一个开发者写代码更快”，而是如何让 AI 能够参与到需求理解、任务拆解、代码变更、测试验证、Review 协作、知识沉淀与流程治理等完整研发链路中。

本次分享将结合企业级研发团队在多人多智能体协作中的实践，探讨 Coding Agent 从“个人效率工具”走向“团队协作成员”的关键路径。分享将重点讨论：

• 如何将自然语言沟通转化为可追踪的研发任务；
• 如何让多个 Agent 在明确边界内并行执行不同研发工作；
• 如何通过人类 Review 保障关键节点质量；
• 如何沉淀代码、文档、经验与流程知识，形成可复用的组织能力；
• 以及在成本、安全、权限和落地适配方面的工程化挑战。

演讲提纲

1. 为什么单人 Coding Agent 还不够？
   • 个人提效明显，但团队协作链路仍然断裂
   • Agent 产出需要进入需求、任务、代码、测试、Review、上线等流程
   • 企业级研发关注的不只是“生成代码”，还有质量、安全、可追溯和知识复用
2. 多人多 Agent 协作的工程实践
   • Loop：多人多 Agent 的协作平台
   • 多 Agent 并行执行中的上下文同步与任务边界
   • 任务的确认、审查和决策
3. 质量与安全：企业级落地的关键约束
   • Agent 产出的对比、Review、回滚
   • 代码工程化审查流程
   • 权限、设备、知识库和执行环境
4. 组织能力沉淀：从个人经验到团队资产
   • 将优秀 Agent 配置、Prompt、Skills、知识条目沉淀为可复用模板
   • 基于代码、文档和历史任务形成研发知识飞轮
   • 让新成员和新 Agent 都能从高质量起点开始
5. 实践中的挑战与反思
   • 多 Agent 协作带来的成本如何衡量
   • 哪些任务适合 Agent，哪些环节必须保留人工判断
   • 如何避免 Agent 孤岛、上下文污染和流程失控
   • AI Native 研发组织的边界与演进路径

实践痛点

• 多智能体协同带来的成本提升，如何成为企业生产力的有效收益。
• 多智能体的权限管理、安全机制设计 tradeoff。
• 组织知识维护复杂：如果 AI 的经验、上下文和执行结果无法沉淀为团队资产，就很难形成持续复用的组织能力

听众收益

1. 理解 Coding Agent 从个人提效走向团队级协作的关键路径：知道为什么企业级研发不能只关注代码生成，而要关注任务、流程、Review 和治理。
2. 获得一套多人多 Agent 协作的工程化框架：包括任务拆解、Agent 角色分工、上下文共享、人工审核、结果追踪和知识沉淀。
3. 了解企业落地 AI Native 研发时的常见挑战与应对思路：包括成本控制、权限边界、质量保障、流程适配和组织能力复用。

AI Coding 正在推动研发模式从“工具辅助开发”走向“AI Native 研发体系”。但在企业场景中，个人编码效率提升，并不必然带来组织交付效率提升。真正的变化不只是“代码写得更快”，而是需求、上下文、协作、验证、交付和组织方式都在被重新定义。

本次演讲将围绕企业 AI Native SDLC 展开，讨论企业如何从单点 AI 工具使用，走向可规模化、可验证、可持续进化的研发生产系统。演讲将结合 AI 研发成熟度模型、Spec Driven Development、Harness 工程、Loop & AgentTeam，以及 Qoder 和业务实践案例，探索 AI 时代如何成就超级个体，并进一步打造超级组织。

演讲提纲

1. 问题现状：为什么出码率不等于提效率
   • AI 让编码更快，但企业效率瓶颈正在迁移到更长的研发链路中；关键不是“AI 会不会写代码”，而是“组织能不能承接 AI 生成”。
2. 方法论：从 AI Native SDLC 到企业 AI 研发成熟度
   • 从软件工程、敏捷、DevOps 到 AI Native SDLC，结合 Prompt、Context、Harness、Loop 的能力演进，建立企业 AI 研发成熟度模型
3. 解决方案：Spec、Harness 与 AgentTeam
   • 通过 Spec Driven Development 让复杂任务具备工程契约，通过 Harness 工程让 Agent 可调度、可验证、可进化，再通过 Loop & AgentTeam 把人机协作升级为“人 + 数字员工”的协同网络。
4. 产品能力支撑：Qoder 全家族如何支撑 AI Native SDLC
   • Qoder 不是单点 Coding 工具，而是支撑 AI Native 研发流程的平台能力集合，覆盖知识、Spec、Harness、AgentTeam、验证和数字员工等关键环节。
5. 实践案例分享：从业务转型到团队实践
   • 结合淘宝闪购 AI Native 研发实践、Qoder Harness 闭环交付实践，以及 Qoder AI-Native 团队与数字员工探索，展示 AI Native 如何从方法论走向真实业务和组织实践。
6. 行动建议：从用工具到建设企业级AI Native组织及流程能力

听众受益

• 理解 AI Native SDLC 的演进逻辑，掌握从工具提效到组织级研发效能提升的方法路径。
• 了解 企业 AI 研发成熟度模型、Spec Driven Development、Harness、AgentTeam 等关键方法与实践。